视频中运动目标检测与跟踪方法研究

凯迈（洛阳）测控有限公司　冯婵娟



视频中运动目标检测与跟踪方法研究

凯迈（洛阳）测控有限公司冯婵娟

在当前的计算机视觉研究中，运动目标的检测与跟踪是较为重要的研究课题。自运动目标检测跟踪技术出现以来，就一直受重视和研究并且应用在社会各个方面。本文通过对视频中的运动目标检测跟踪进行研究，对主要的几种检测跟踪方法进行了分析。

视频；运动目标；检测；跟踪；方法研究

一、运动目标检测跟踪工作的现状

（一）视频中运动目标检测跟踪简述

计算机视觉和视频信息处理的一个重要的部分是运动目标检测跟踪，运动目标检测跟踪技术是一项综合性的研究课题，包含图像处理、人工智能、模式识别、自动控制等不同的学科领域。

运动目标的检测跟踪自今已经有多年的研究历史，主要是对运动目标对象进行实时的观测和分类，并对运动目标的行为进行分析研究。这种技术能够将目标在图像信号中实时的自动识别出来，并对目标位置和运动进行提取和自动跟踪。

（二）运动目标检测跟踪工作的难点

由于我国对于视频的运动目标检测跟踪的研究相对于发达国家来说发展较晚，在对目标进行检测跟踪研究时还会面临很多的难题。

1.背景较复杂

实际的目标检测跟踪受到背景的影响比较大，特别是一些颜色与目标相近的背景，对于基于颜色特征的目标检测跟踪来说有较大的难度。

2.初始化

完整的目标跟踪系统包含检测和跟踪两部分，一般采用人机交互的方式进行目标初始化，用鼠标点击目标进行目标的检测和识别。此时目标跟踪系统无法跳过目标检测步骤直接跟踪。

3.光照的变化

在室外室内光线差别较大的情况下，虽然可以用不同的颜色系统减轻光照变换对算法的影响，但是光照的变化问题依旧会对目标的跟踪造成不可避免的影响。

4.阴影问题

实际的检测跟踪系统中的运动目标常会伴随有运动阴影，很容易造成运动目标的变形、合并、丢失。目前对阴影的检测与消除是研究人员对运动目标进行有效分割的研究难题。

5.遮挡问题

运动目标在被跟踪的过程中，会出现被非目标物体部分或全部遮挡的情况，有些时候被更跟踪的目标之间也会相互遮挡，解决遮挡问题也是目标跟踪研究中急需解决的问题。

二、视频中运动目标检测跟踪的常用方法

对运动目标进行检测跟踪，首先要进行对运动目标的检测，在监控场景中实时的检测提取运动目标，之后就是同等重要的运动目标跟踪环节。接下来对目标的检测与跟踪方法中比较常用的几种进行分析，不难发现目前所用的方法在中有一些缺陷和比较难攻克的难题。

（一）视频中运动目标检测方法

1.帧间差分法

帧间差分法具有实现简单，运算量小，噪点较少，对光照不敏感的优点。两帧相邻的图像时间较短，可以在背景变化比较平缓稳和的时候，对比前后两幅图像的差值判断目标的运动特性。但不足是在检测过快或过慢的目标时会显示为两个前景区域或物体内部空洞。

2.背景差分法

背景差分法也是比较常用的运动目标检测算法。背景差分法首先从视频序列中选定一个背景图像当做参考模型，之后对视频序列的当前帧和背景图像做差分运算，选定合适的阈值对差分图像进行二值化处理，从而把运动目标从图像中分离出来。但是该算法的其中一个局限性是只能在静态背景下使用。

3.光流法

光流法是假定对每一帧视频序列中的每个像素点都定义了一个速度矢量，如果在检测中每个像素点的速度矢量变化连续、平滑时，说明图像中没有运动的物体。反之画面中像素点的矢量变化是离散的，则说明物体发生相对运动。这种方法适用于背景不断变换的情况，不过抗噪能力比较差，也容易受光照的影响。

（二）视频中运动目标跟踪方法

运动目标跟踪是在目标检测的基础上，对视频图像序列中运动目标的位置、运动轨迹、速度和加速度等参数进行分析，采用合适的匹配算法对目标的有效特征进行特征点匹配，从而获得目标的运动轨迹。运动目标跟踪方法可以分为如下几类。

1.基于目标轮廓的跟踪算法

在视频序列背景较为简单时，可以直接利用灰度分割或者图像梯度来获得运动对象的轮廓。但是，当背景较为复杂或与目标颜色相近时，这种算法就容易产生错误匹配。

2.基于模型的跟踪算法

该算法是对整个运动目标所在的区域进行匹配，所以在运动目标没有被遮挡的情况下，该算法的效果最好，跟踪也非常稳定。缺点是区域匹配比较耗时，运算量很大，实时性差，并且要求目标不能被遮挡并且不能发生很大的形变，否则跟踪的准确度将严重下降。

3.基于频率域的跟踪算法

与空间域算法相比，频率域算法有其自己的优点：首先图像的亮度变化对该算法基本没有影响，其次该算法定位精度高，抗干扰能力强，对外界环境变化不敏感。但是，该算法也有一定的缺点，就是只能对单个运动物体进行跟踪，这也是该算法的局限性所在。

4.基于区域匹配的跟踪算法

该算法是对整个运动目标所在的区域进行匹配，所以在运动目标没有被遮挡的情况下，该算法的效果最好，跟踪也非常稳定。缺点是区域匹配比较耗时，运算量很大，实时性差，并且要求目标不能被遮挡并且不能发生很大的形变，否则跟踪的准确度将严重下降。

三、视频中运动目标检测跟踪方法的改进

在现有目标跟踪方法中经常会出现目标丢失的情况时，可以引入RANSAC提纯的SURF算法对运动目标区域进行重新定位实现持续跟踪。当使用传统Camshift算法对目标跟踪失败时，可以采用RANSAC提纯的SURF算法对运动目标区域进行特征点匹配，找到跟踪失败的目标，然后再回到Camshift算法，从而实现对目标的持续跟踪。

改进的算法使用Bhattacharyya系数对目标的丢失情况进行判断。在实际情况下Bhattacharyya系数很难达到最大值1，因此这里设置阈值为0.8。当Bhattacharyya系数小于0.8时，就认为目标丢失。改进后的算法的具体步骤如下：

第一步，分析运动目标检测的结果，确定视频序列起始帧的初始目标区域，即搜索窗口的大小和初始位置。

第二步，采用传统的Camshift目标跟踪算法对运动目标进行跟踪，获得候选目标区域的准确位置，并实时的对搜索窗的位置和尺寸进行更新。

第三步，利用公式计算出得到的候选目标区域和目标区域的Bhattacharyya系数，即候选目标区域和目标区域的相似度；利用得到的Bhattacharyya系数来判断目标是否丢失，如果Bhattacharyya＞=0.8，判断当前候选目标区域即为目标区域，返回第二步继续跟踪。如果Bhattacharyya＜0.8，那么判定目标出现丢失，然后通过RANSAC提纯的SURF特征点匹配算法重新对目标区域进行定位，找到跟踪跟踪目标后返回第二步继续跟踪。

四、结语

运动目标检测与跟踪是目前计算机视觉研究的重点内容之一，在视频监控、交通路况、军事医疗等方面都有重要的作用和发展前景。本文对视频中的运动目标进行检测跟踪的技术方法上提出了一些改进的建议，有一定的帮助作用。对目前检测跟踪方法的发展和研究更需要研究人员进行深入的分析和实践，使目标检测跟踪的方法更加简化，提高算法的实时性和适用性。

［1］施雪梅.运动目标检测与跟踪算法研究［D］.北京交通大学，2010.

［2］胡明合.基于双目视觉的运动目标检测与跟踪［D］.河南科技大学，2011.

［3］张毅.视频图像的运动分析［J］.有线电视技术，2012.

冯婵娟（1986-），女，陕西渭南人，大学本科，助理工程师，研究方向：电子，仪器仪表。